动态钳

动态钳，亦称传导钳，是一种混合计算-电生理技术，它通过实时计算，向活体神经元（在电流钳或电压钳模式下）注入模拟的突触电流或虚拟离子通道电流。该技术能在生理时间尺度上“创造”出真实的、可交互的电导，从而在单细胞或网络水平上，实现对神经回路特性的实时模拟、构建和操控。

动态钳的核心是一个高速的闭环反馈系统：

1. 测量：实时测量神经元的膜电位（在电流钳模式）或电流（在电压钳模式）。

2. 计算：将该测量值作为输入，代入预设的数学模型（例如，描述特定类型突触或离子通道动力学的微分方程）。

3. 输出：计算机实时计算出对应的电流，并通过数据采集卡和放大器，将其注入到记录中的神经元。

4. 交互：注入的电流会改变神经元的膜电位，而新的膜电位又作为下一轮计算的输入，形成实时交互。

1. 模拟突触输入

• 构建虚拟突触：为孤立的神经元添加模拟的兴奋性或抑制性突触输入（如AMPA能、GABA能、NMDA能突触），模拟其在网络中的感受。

• 连接真实神经元：在两个或多个真实神经元之间建立人造电突触（间隙连接）或化学突触，研究其相互作用。即使神经元在物理上是分离的，也可以通过动态钳实现功能连接。

• 研究网络动力学：通过为多个神经元添加特定的突触连接规则，构建小型体外硅基神经网络，研究同步化、振荡、传播等群体现象。

2. 模拟或操控离子通道

• 引入虚拟通道：为神经元添加（或增强）特定类型的离子通道（如A型钾通道、HCN通道），研究其对神经元兴奋性和放电模式的影响。

• 补偿或剔除通道：通过注入与内源性通道电流大小相等、方向相反的电流，在功能上“剔除”该通道，以研究其生理作用。

• 构建理想化模型神经元：创建完全由数学模型定义的“模型神经元”，其电导全部由动态钳注入，用于检验计算理论。

3. 混合网络研究

• 将真实生物神经元与计算模型神经元通过动态钳连接起来，形成一个“半生物、半人工”的混合神经网络，用于研究界面交互和信息处理。

1. 标准膜片钳/细胞内记录系统：用于记录和刺激神经元。

2. 实时计算单元：核心组件，通常是运行实时操作系统的计算机或专用数字信号处理器，以确保计算延迟极低（通常<50 μs）。

3. 数据采集接口：高精度、高速度的模数/数模转换卡。

4. 控制软件：用于定义电导模型、设置参数和监控实验。常用软件包包括RTXI、QuB、StdpC、EDAC等。

注入的电流通常由电导模型计算：\（I(t) = g(t) \cdot (V_m(t) - E_{rev})\）

• \（g(t)\）是时变电导，其动力学由模型定义（如α函数描述突触电导，Hodgkin-Huxley方程描述通道电导）。

• \（V_m(t)\）是实时测量的膜电位。

• \（E_{rev}\）是该电导的反转电位。

1. 无与伦比的灵活性：可以精确控制突触强度、动力学、连接拓扑以及离子通道的密度和特性，参数可随时调整。

2. 因果性研究：能够直接建立特定电导与神经元/网络输出之间的因果关系，超越了相关性观察。

3. 填补理论与实验的鸿沟：允许在真实生物底物上直接测试计算模型的预测。

4. 克服技术限制：可以研究在实验上难以实现或分离的连接（如特定的长程投射、特定的通道组合）。

1. 实时性要求苛刻：整个环路（测量-计算-输出）的延迟必须远小于所模拟生理过程的时间常数（如动作电位、突触后电位），否则会导致系统不稳定或失真。

2. 模型依赖性：结果的解释高度依赖于所使用的数学模型是否准确反映了真实的生物学过程。

3. 空间钳位问题：与电压钳类似，对于树突复杂的神经元，难以确保模拟的电导在空间上均匀分布。

4. 无法模拟所有方面：主要模拟电学特性，难以涵盖生化信号级联、形态学变化等慢过程。

1. 研究突触整合：在单个神经元上施加具有不同时空模式的虚拟突触输入。

2. 探究节律发生：在起搏神经元中，通过动态调整电导参数，研究振荡产生的机制。

3. 揭示突触可塑性机制：通过模拟反向传播的动作电位与EPSP的精确时序配对，直接研究其诱导规则。

4. 神经假体与脑机接口：作为双向脑机接口的核心，既能读取神经活动，又能向神经系统注入符合其编码规则的信息。

5. 教育工具：生动展示神经元和网络的计算原理。

动态钳技术通过闭环实时交互，打破了生物实验与计算模拟之间的界限，创造了一个高度可控且生理相关的实验范式。它不仅是研究离子通道、突触和神经环路功能的强大工具，更是迈向与活体神经系统进行双向对话、构建混合智能系统的关键一步。随着计算能力的提升和模型的精细化，动态钳将继续在揭示大脑工作机制和开发新型神经技术中发挥核心作用。

• Sharp, A. A., O'Neil, M. B., Abbott, L. F., & Marder, E. (1993). The dynamic clamp: computer-generated conductances in real neurons. Journal of Neurophysiology, 69(3), 992-995.
• Prinz, A. A., Abbott, L. F., & Marder, E. (2004). The dynamic clamp comes of age. Trends in Neurosciences, 27(4), 218-224.
• Destexhe, A., & Bal, T. (Eds.). (2009). Dynamic-Clamp: From Principles to Applications. Springer.
• Doron, G., et al. (2017). Perirhinal input to neocortical layer 1 controls learning. Science, 358(6363), eaao3138.
• RTXI (Real-Time eXperiment Interface) 项目官网: https://www.rtxi.org/
• Economo, M. N., et al. (2018). Distinct descending motor cortex pathways and their roles in movement. Nature, 563(7729), 79-84. (动态钳应用于运动控制研究)
• Brette, R., et al. (2007). Simulation of networks of spiking neurons: A review of tools and strategies. Journal of Computational Neuroscience, 23(3), 349-398. (综述了动态钳在神经网络模拟中的应用)
• Hu, H., & Jonas, P. (2014). A supercritical density of Na+ channels ensures fast signaling in GABAergic interneuron axons. Nature Neuroscience, 17(5), 686-693. (动态钳用于研究钠通道密度)